080、STM32Cube.AI的预测维护案例

080 STM32Cube.AI的预测维护案例

从一次产线停机说起

去年帮一家电机厂做预测维护方案，现场调试时遇到一个诡异现象：模型在开发板上推理结果完全正确，一挂到产线振动传感器上，连续三天误报率飙到40%。排查到最后，发现是Cube.AI生成的代码里，输入数据的归一化参数写死了float32，而传感器采集的原始数据是int16——每次转换时精度丢失导致特征偏移。这个坑让我意识到，预测维护的落地难点往往不在模型本身，而在数据链路的每个环节。

预测维护的典型场景：电机轴承退化检测

我们以最常见的旋转机械预测维护为例。目标是通过加速度传感器采集的振动信号，判断轴承是否进入早期故障阶段。传统做法是提取时域特征（RMS、峰值因子、峭度）和频域特征（包络谱），但手工特征工程对微弱故障信号不敏感。这里我们用STM32Cube.AI部署一个轻量级1D-CNN，直接处理原始振动波形。

数据准备：别忽略采样率匹配

现场采集的振动数据通常是连续流，但模型输入需要固定长度窗口。我踩过的坑是：窗口长度必须对应至少一个旋转周期的采样点数。比如电机转速3000rpm（50Hz），采样率10kHz，一个周期200个点。窗口取1024点（约5个周期）比较稳妥。别为了省内存把窗口压到256点，那会丢失低频故障特征。

数据预处理阶段，Cube.AI要求输入是量化后的int8或uint8。这里有个关键点：振动信号是交流耦合的，均值接近0，直接量化会浪费大量动态范围。正确做法是先做高通滤波（截止频率1Hz）去除直流分量，再根据信号